水体细菌微生物多波长透射光谱特征分析研究

多波长透射光谱能够反映出样品细胞大小、形状、内部结构和化学组分等丰富而独特的信息,是微生物快速、实时、在线检测与识别的有利工具。将多波长透射光谱技术应用于水体致病性细菌微生物的快速有效检测对控制水体细菌微生物污染及保护饮用水源水质安全具有重要的现实意义。为了建立及发展基于多波长透射光谱技术的水体致病性细菌微生物快速有效的检测方法,采用紫外-可见分光光度计获取了多种水体致病性细菌微生物(如： 肺炎克雷伯氏菌、鼠伤寒沙门氏菌、金黄色葡萄球菌和大肠杆菌)在200～900 nm波段的多波长透射光谱,对比分析了不同细菌及同种细菌在不同浓度时的多波长透射光谱特征。结果表明： 对于同种细菌,当细菌浓度发生变化时,400～900 nm波段透射光谱形状较为一致,并且在400,450,500和550 nm波长处的光密度值与浓度具有很好的线性关系,该波段由细菌体的散射起主要作用;但在200～400 nm波段范围内,细菌透射光谱的形状随细菌浓度的变化而变化,在200,258,300和350 nm波长处的光密度值与细菌浓度分别具有很好的二次多项式关系。根据微粒的Mie散射理论,采用Levenberg-Marquardt非线性最小二乘方法对测得的四种细菌透射光谱进行了散射光谱和吸收光谱拟合,并对比分析了不同细菌散射光谱特征和吸收光谱特征,结果表明： 四种细菌散射光谱的特征峰均在245 nm波长处,但该波长处的光密度值具有明显差异性,这与不同细菌外部结构及内部结构细胞器的大小、形状等不同有关;而四种细菌吸收光谱特征峰均在260 nm波长处,且不同细菌在240～400 nm波段内吸收光谱也具有明显差异性,这与不同细菌细胞内的核酸、蛋白质等化学组分含量不同有关。该研究表明对于不同种细菌及具有不同浓度的同种细菌,测得的多波长透射光谱及计算出的散射光谱和吸收光谱特征都具有明显的不同,通过多波长透射光谱解析可以获得细菌多种特征参数,多波长透射光谱可以被用于快速有效检测水体中的致病性细菌微生物。该研究为发展水体细菌微生物快速在线监测仪提供了重要依据。     

水体细菌微生物多波长透射光谱快速准确获取方法研究

为实现水体细菌微生物快速在线监测,搭建了多波长透射光谱快速测量实验系统,利用该系统分别测量了重铬酸钾标准溶液紫外波段及中性滤光片可见波段的透射光谱,并与紫外-可见分光光度计测得的透射光谱进行对比分析,验证了实验系统测量透射光谱的准确性;以水体中常见的金黄色葡萄球菌作为研究对象,利用搭建的实验系统获取金黄色葡萄球菌溶液在220～900 nm波段的前向小角度透射光谱,进一步验证了实验系统测量细菌微生物透射光谱的准确性和快速性。结果表明,由实验系统和紫外-可见分光光度计测得的重铬酸钾标准溶液,与中性滤光片紫外波段及可见波段透射光谱的线性拟合相关系数分别为0.999 7和0.999 5,光密度误差分别在5.00%和4.58%以内,说明两个系统测量光谱的一致性较好,所搭建的实验系统测量标准样品紫外-可见透射光谱准确度较高;对于金黄色葡萄球菌,实验系统测得的透射光谱经过校正后,与紫外-可见分光光度计测得的透射光谱线性拟合的相关系数为0.999 97,两者相比的光密度误差在0.74%以内;系统重复30次细菌光谱信号采集获得平均透射光谱单次测量时间为15 s,说明该实验系统相对于紫外-可见分光光度计能够快速准确获取水体细菌微生物多波长透射光谱,在保证测量结果准确的同时缩短了光谱测量时间,为水体细菌微生物快速检测提供技术支持。     

支持向量机的动物血液光谱特征提取和识别分类

利用光谱检测和数据挖掘实现不同种类动物血液光谱数据的精确识别与分类具有重要意义,目前尚未见到较为完善及普适的相关研究报道。实验采集了鸽、鸡、鼠、羊四种动物全血和红细胞溶液(浓度为1%)的荧光光谱数据;基于小波变换的软阈值去噪方法,首先对原始光谱数据进行去噪处理,并确定了717个原始特征(包括荧光峰强度值、荧光峰连线斜率等4类特征);提出以“区分度统计量”为核心的特征提取方法,结合主成分分析法和平均影响值算法,实现了对717个原始特征到2个识别特征的高效筛选;进一步建立了径向基核函数的支持向量机分类器,对四类不同动物的全血荧光光谱数据实现了准确率为100%的识别分类,对红细胞荧光光谱数据实现了94.69%～99.12%的识别率;最后蒙特卡洛交叉验证的结果表明所提出的思路和方法对于动物全血溶液的识别分类具有较好的泛化能力,能对荧光光谱数据进行准确的识别分类,因此能够在进出口检查、食品安全、医药等领域发挥重要作用。针对动物血液荧光光谱,提出的基于“区分度统计量”的特征提取方法,相比于传统的人为特征选取方法,能够从大量原始特征中自动提取少量且有效的识别特征,具有较强的普适性和高效性,为其他领域的光谱特征提取和识别分类提供了一种新的思路。     

水体细菌微生物多波长透射光谱解析模型EI北大核心CSCD

细菌多波长透射光谱包含有细菌结构、组分、浓度等信息,这些特征信息的有效提取是实现细菌微生物快速识别与检测的基础。以水体常见的大肠埃希氏菌(大肠杆菌)为研究对象,采用紫外-可见分光光度法获得了其多波长透射光谱;基于Mie散射理论,在充分考虑水体大肠杆菌散射和吸收特性的基础上,构建了240~900nm波段范围内细菌微生物多波长透射光谱的解析模型;基于该模型对250~750nm特征波段范围内的光谱进行解析,获得了大肠杆菌的体积、粒径、结构及浓度等相关参数,并将这些参数与文献及实验得到的结果进行了对比验证。结果表明,建立的多波长透射光谱解析模型能够准确表征水体细菌微生物的光谱特征,该模型可为水体细菌微生物的快速识别分析和检测提供关键数据。     

基于多类支持向量机的恒星光谱分类方法

支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。该方法在实际应用中取得了较为理想的分类效果,但其面临无法解决多分类问题的挑战。在支持向量机的基础上,提出多类支持向量机,建立基于多类支持向量机的恒星光谱分类模型。该方法的最大优势是经过一次分类过程,可以确定多类样本的类属。SDSS DR8恒星光谱数据上的比较实验表明,本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。     

基于多波长透射光谱法的水体细菌微生物检测能力初步研究

搭建的水体细菌微生物多波长透射光谱快速测量实验系统,实验获取了肺炎克雷伯菌、金黄色葡萄球菌和大肠杆菌在不同浓度下220～900 nm范围内的多波长透射光谱,研究建立了三种细菌基于不同波长点及全光谱波段的浓度校准曲线,计算了肺炎克雷伯菌、金黄色葡萄球菌和大肠杆菌的检测限,并与紫外-可见分光光度计测量分析结果进行了对比。结果表明,实验系统与紫外-可见分光光度计测量光谱线性相关系数在0.999 8以上,具有非常好的一致性,且30次光谱信号采集时间仅需15 s;基于实验系统分析得到三种细菌在220,258,300,350,400,450,500和550 nm不同波长点以及全光谱波段的检测限结果均优于紫外-可见分光光度计,且利用多波长透射光谱全光谱波段计算得到的细菌检测限均最低,其中：肺炎克雷伯菌、金黄色葡萄球菌和大肠杆菌的检测限分别为1.60×104,1.06×104和1.16×104 cells·mL-1。研究结果为进一步发展水体细菌微生物的多波长透射光谱快速定量检测技术提供了基础数据。     

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。     

基于支持向量机的中药太赫兹光谱鉴别

文章将支持向量机用于中药材太赫兹光谱识别.利用太赫兹光谱系统测得三组相似中药炙甘草和生甘草、南柴胡和北柴胡、山豆根和北豆根的太赫兹光谱,傅罩叶变换后得到它们的吸收系数作为分类鉴别的特征数据.用线内积函数、多项式内积函数和径向基内积函数分别构建三种小同的支持向量机,并建立误差反传神经网络(BP神经网络),分别用支持向量机和BP神经网络对中药的特征数据进行鉴别.识别结果比较表明,支持向量机在小样本情况下对中药两分类识别的效果明显超过BP神经网络.     

基于支持向量机的自动目标识别算法

基于对目标识别精确性的要求,提出了基于支持向量机的自动目标识别算法。介绍了基于支持向量机的自动目标识别系统的组成和识别流程,实现了目标的特征提取、SVM分类器的参数寻优,并将优化的SVM模型应用于未知图像的目标识别中。实验表明,该方法识别效果良好,具有较好的抗复杂背景的能力。     

基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究

以黄瓜叶部病害作为研究对象,基于可见光谱反射率差异识别黄瓜叶部病害,研究基于SVM的黄瓜叶部病害识别预测模型。采用小波变换进行数据预处理;选取Otsu、边缘分割法和K均值聚类三类分割方法进行病斑分割,比较错分率和运行时间,K均值聚类方法更适合黄瓜叶部病斑分割;提取纹理、颜色和形状特征参数,共15个特征参数;通过交叉验证选择最优参数c和g,对核函数参数进行优化处理,并通过比较线性核、多项式核、RBF核等不同核函数情况下SVM的正确识别率,确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。并将基于SVM与另外两种常见的黄瓜叶部病害识别方法,BP神经网络和模糊聚类进行比较,结果表明,基于SVM的识别模型对霜霉病的正确识别率为95%,白粉病和褐斑病的正确识别率均为90%,平均诊断正确率为92%;该模式识别方法识别效果最佳,运行时间最短,为基于可见光谱的黄瓜病害识别模型提供参考。     

Identification of Voice Disorders Using Long-Time Features and Support Vector Machine With Different Feature Reduction Methods

Identification of voice disorders has a fundamental role in our life nowadays. Therefore, many of these diseases must be diagnosed at early stages of occurrence before they lead to a critical condition. Acoustic analysis can be used to identify voice disorders as a complementary technique with other traditional invasive methods, such as laryngoscopy. In this article, we followed an extensive study in the diagnosis of voice disorders using the statistical pattern recognition techniques. Finally, we proposed a combined scheme of feature reduction methods followed by pattern recognition methods to classify voice disorders. Six classifiers are used to evaluate feature vectors obtained by principal component analysis or linear discriminant analysis (LDA) as feature reduction methods. Furthermore, individual, forward, backward, and branch-and-bound methods are examined as feature selection methods. The performance of each combined scheme is evaluated in terms of the accuracy, sensitivity, specificity, and area under the receiver operating characteristic curve (AUC). The experimental results denote that LDA along with support vector machine (SVM) has the best performance, with a recognition rate of 94.26% and AUC of 97.94%. Additionally, this structure has the lowest complexity in comparison with other architectures. Among feature selection methods, individual feature selection followed by SVM classifier shows the best recognition rate of 91.55% and AUC of 95.80%.     

核优化相关向量机太赫兹频谱特征提取方法

太赫兹频谱对分子非局域振动模式的变化较为敏感。因此,其波形容易受到多种理化因素的影响,会产生峰值改变、频移,甚至整体波形的变化,单一地从固定峰值特征与物质的对应关系上进行组分分析和物质鉴别容易产生较大误差甚至错误。针对此问题,提出区别于局部特征提取方法的基于核优化相关向量机(KO-RVM)的整体图形特征提取方法,并与支持向量回归算法(SVR)进行比较。结果表明,经过期望最大化算法进行基函数参数控制的RVM适用于太赫兹透射谱的特征提取,可对每种物质的光谱数据进行稀疏表示,控制提取图形特征的数量。利用已提取特征构造的模型能够还原频谱曲线的整体特征,对谱线各频段的拟合效果更加一致,同时所提取的特征还可作为不同物质间太赫兹光谱相似性度量和共同特征发现的依据。     

光谱分析中的支持向量机方法及其性能优化

针对红外光谱气体分析中建立数据模型需要标定大量样本的问题, 提出一种基于正则理论的支持向量机的小样本机器学习方法,该方法能在获得模型参数全局最优点的同时保证训练误差为零,因而能较好地消除光谱间的交叉敏感现象,利用其良好的非线性映射能力对多组分红外光谱仪的试验结果表明,该方法可使光谱仪的交叉灵敏度下降约81倍。针对支持向量机(SVM)没有足够的理论支持的结构参数选取比较困难的问题,提出一种基于遗传算法和交叉检验相结合的遗传支持向量机(GA_SVM)算法,利用遗传算法的随机搜索特性求取SVM的最优结构参数,在20世代即可求取光谱仪的最小均方根误差(MSE)0.018, 并且在算法的前数世代,系统的MSE即已开始成倍下降。这些结果表明GA_SVM光谱仪具有更高的效率和泛华能力。     

基于小波变换和支持向量机的光谱多组分分析

以符合朗伯—比尔定律的光谱信号为研究对象，在运用小波变换对光谱信号进行去除噪声处理的基础上，建立了基于支持向量机的多组分分析模型，最后采用计算机模拟的方式对该方法进行了举例说明.实例表明，该方法能较好地解决非线性、小样本条件下的多组分分析问题.     

近红外光谱结合灰狼算法优化支持向量机实现烟叶产地快速鉴别

烟草是一种成分复杂的天然植物,地理位置、生长条件等外界因素直接影响着烟叶的品质;我国烟叶种植范围十分广泛,每个产区种植的烟叶都有其独特的风格特征,不同产区的烟叶配比对卷烟的质量起着决定性的作用。为实现烟叶产地准确、快速判别,基于近红外光谱(NIRS),采用灰狼算法(GWO)优化的支持向量机(SVM)算法实现烟叶产地鉴别分类。以8个产地的824个烟叶样本为研究对象,基于x-y距离样本集划分(SPXY)方法得到校正集617个和验证集207个样品。首先应用最佳波长筛选方法,如竞争自适应加权采样(CARS)和随机青蛙(RF)算法减少光谱冗余信息,最终从1 609个变量中分别获得141和534个与产地相关的重要变量,并以此输入SVM作为建模数据,接下来在相同搜索范围内比较了粒子群优化算法(PSO)、遗传算法(GA)和GWO对SVM分类模型的优化效果。结果表明,经RF筛选后的光谱变量较CARS具有更好的产地建模性能,其中RF-GWO-SVM对8个产地烟叶的整体判别正确率达到了96.62%,相较于RF-PSO-SVM和RF-GA-SVM正确率更高。同时,RF-GWO-SVM的运行时间分别比RF-PS...     

水体细菌微生物种类快速鉴别方法研究

紫外可见多波长透射光谱包含了细菌微生物对光的吸收和前向散射等信息,能反映细菌细胞的组分、大小以及形态等特征,具有细菌种属的特异性,可应用于细菌微生物的快速种类鉴别。以水体中常见细菌微生物为研究对象,实验测量了大肠埃希氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌以及肺炎克雷伯菌的紫外可见多波长透射光谱,简要分析了不同种类细菌微生物的多波长透射光谱特征;研究了透射光谱与支持向量机多向量分析方法相结合的水体细菌微生物快速识别方法,利用基于网格搜索法的训练集内部交叉验证获取建模所需最佳惩罚因子C和核函数参数g,根据最优参数和LibSVM一对一多分类法建立细菌快速分类鉴别模型。利用不同株实验细菌的透射光谱作为测试集对所建模型进行识别正确率的验证,结果表明,所建立的快速分类鉴别模型可以对选取的大肠埃希氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌以及肺炎克雷伯菌进行快速种类识别,识别正确率为100%;分类鉴别模型对不同大肠杆菌亚种的测试集识别正确率为100%,证明该模型对细菌属间鉴别具有较好的稳定性。不仅可为饮用水源细菌微生物的快速识别预警提供方法,而且可在生物医学方面作为细菌微生物鉴别的一种简便、快速、准确的手段。     

基于主成分分析和支持向量机的木材近红外光谱树种识别研究

为了探究一种新型高效的树种鉴别方法,以桉木、杉木、落叶松、马尾松和樟子松近红外光谱数据为研究对象,分别建立了基于主成分分析和支持向量机的木材树种定性识别模型。在主成分识别模型中,样本光谱数据经过预处理后绘制了其二维和三维主成分得分图,可以看出：主成分分析得分图能有效区分五种木材树种,且三维得分图比二维得分图更能直观、清晰展示树种之间的差异,表明主成分分析在可视化层面上可对小样本树种进行有效判别。在支持向量机识别模型中,分别建立了以遗传算法和粒子群算法为代表的智能算法优化支持向量机树种识别模型,结果显示,遗传算法-支持向量机模型的交叉验证最佳判别准确率为95.71%,测试集预测准确率为94.29%,算法用时134.08 s;粒子群算法-支持向量机模型的交叉验证最佳判别准确率为94.29%,测试集预测准确率为100.00%,算法用时19.98 s,表明基于智能算法支持向量机树种识别模型能够实现对木材树种的有效鉴别。该研究对近红外光谱分析技术在木材科学领域的应用进行了有益探索,为木材树种的快速识别提供了新方法。     

支持向量机对舰船噪声DEMON谱的分类识别

本文采用径向基核函数的支持向量机的分类算法,实现了对舰船目标的分类识别。对两类不同类型的舰船的辐射噪声的DENOM谱建立了支持向量机模型,并进行了分类识别试验。试验结果表明,在结构风险最小的准则下,采用网格搜索法确定,径向基核函数的参数σ取值0.23、惩罚系数C值取13为最优的分类识别参数。并通过留一法验证,该模型具备良好的推广能力,总体正确识别率为91.2%。